一、项目演示视频

b站演示视频与部署教程视频(点击这里)
https://www.bilibili.com/video/BV15WwxzSE3t/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

二、技术栈

1. 前端技术栈 (web-vue)
   核心框架: Vue 3.5.13 (Composition API)
   UI组件库: Element Plus 2.9.4
   状态管理: Pinia 2.3.1
   路由管理: Vue Router 4.5.0
   HTTP客户端: Axios 1.7.9
   图表可视化: ECharts 5.6.0
   构建工具: Vite 6.1.0 + TypeScript 5.7.2

2. 后端+算法端技术栈 (web-flask)
   核心框架: Flask (Python)
   数据库: SQLite 3
   身份认证: JWT
   图像处理: OpenCV + NumPy
   深度学习: YOLOv8/YOLO11/YOLO12/YOLO26
   视频处理: OpenCV视频流处理
   大语言模型: Qwen-VL的API接口

三、功能模块

核心创新点

1. 交通事故场景精准检测: 支持道路交通事故及相关车辆目标的智能识别和定位
2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
4. 智能检测分析: 基于AI的交通事故及相关车辆目标自动识别和定位
5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
6. 完整工作流程: 从数据集管理到模型管理再到交通事故检测的完整闭环
7. 多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理治理建议(属于图片识别功能模块)
8. 模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语

核心功能模块

1. 用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
2. 数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
3. 模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
4. 图片检测: 上传交通场景图片进行事故与车辆检测，支持 CLAHE 图像增强、多模态 AI 事故场景分析、安全治理建议生成、导出 Word 报告
5. 视频检测: 上传视频进行逐帧检测，支持帧率采样、异步处理、进度查询、关键帧截图
6. 实时检测: 使用电脑摄像头进行实时检测，支持yolo目标跟踪、会话管理、检测记录保存
7. 模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选

应用场景

• 城市道路监控: 城市道路、路口、隧道等场景下的交通事故自动识别与记录
• 高速公路管理: 高速公路及匝道上的追尾、侧撞、连环事故检测与事后检索
• 智慧交管: 协助交管平台快速筛查海量视频中的事故片段、结构化事故信息
• 教育培训: 交通安全教学、事故案例分析等场景下的智能可视化演示

四、项目链接

链接: https://pan.baidu.com/s/1SMINe4pxGbyZeqE7OkEsxA?pwd=cdug 提取码: cdug

1. 完整系统源码
   (1)前端源码(web-vue)
   (2)后端+算法端源码(web-flask)
   (3)模型训练代码(other/model_train/detect)
2. 项目介绍文档
   (1)项目概述
   (2)项目技术栈
   (3)项目目录结构
   (4)系统架构图、功能模块图
   (5)数据库开发文档
3. 项目启动教程
   (1)环境安装教程(视频+文档)
   (2)系统启动教程(视频+文档)
4. 交通事故检测数据集
   (1)训练集：28135 张图片 (用于模型训练)
   (2)验证集：3513 张图片 (用于模型验证和性能调优)
   (3)测试集：1814 张图片 (用于模型最终性能评估)
   (4)检测类别: 6 类交通事故相关目标
   0: Accident - 普通事故
   1: Mild - 轻微事故
   2: Moderate - 中度事故
   3: Noaccident - 无事故（正常交通场景）
   4: Severe - 严重事故
   5: Vehicle - 车辆
5. 已经训练好的交通事故检测模型权重，整体精度如下（测试集 1814 张图片，2536 个目标实例）：
   (1)precision (精确率): 0.525
   (2)recall (召回率): 0.655
   (3)mAP50 (IoU阈值0.5时的平均精度): 0.611
   (4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.486